<\/p>\n
Sie k\u00f6nnen die folgenden Methoden verwenden, um einen rollierenden Maximalwert in einem Pandas-DataFrame zu berechnen:<\/span><\/p>\n Methode 1: Berechnen Sie das gleitende Maximum<\/strong><\/span><\/p>\n Methode 2: Berechnen Sie das gleitende Maximum pro Gruppe<\/strong><\/span><\/p>\n Die folgenden Beispiele zeigen, wie die einzelnen Methoden in der Praxis angewendet werden.<\/span><\/p>\n Angenommen, wir haben den folgenden Pandas-DataFrame, der die t\u00e4glichen Verk\u00e4ufe in einem Gesch\u00e4ft anzeigt:<\/span><\/p>\n Mit der folgenden Syntax k\u00f6nnen wir eine neue Spalte erstellen, die den rollierenden maximalen Verkaufswert anzeigt:<\/span><\/p>\n Die neue Spalte mit dem Titel \u201eRolling_max\u201c<\/strong> zeigt den rollierenden Maximalwert der Verk\u00e4ufe an.<\/span><\/p>\n Nehmen wir an, wir haben den folgenden Pandas-DataFrame, der die t\u00e4glichen Verk\u00e4ufe in zwei verschiedenen Gesch\u00e4ften anzeigt:<\/span><\/p>\n Wir k\u00f6nnen die folgende Syntax verwenden, um eine neue Spalte zu erstellen, die den fortlaufenden maximalen Verkaufswert gruppiert nach Gesch\u00e4ft anzeigt:<\/span><\/p>\n Die neue Spalte mit dem Titel \u201eRolling_max\u201c<\/strong> zeigt den rollierenden Maximalwert der Verk\u00e4ufe an, gruppiert nach Filiale.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie andere g\u00e4ngige Vorg\u00e4nge in Pandas ausgef\u00fchrt werden:<\/span><\/p>\n So l\u00f6schen Sie Zeilen in Pandas DataFrame basierend auf der Bedingung<\/a> Sie k\u00f6nnen die folgenden Methoden verwenden, um einen rollierenden Maximalwert in einem Pandas-DataFrame zu berechnen: Methode 1: Berechnen Sie das gleitende Maximum df[‚ rolling_max ‚] = df. values_column . cummax () Methode 2: Berechnen Sie das gleitende Maximum pro Gruppe df[‚ rolling_max ‚] = df. groupby (‚ group_column ‚). values_column . cummax () Die folgenden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n df[' rolling_max<\/span> '] = df. values_column<\/span> . cummax<\/span> ()<\/strong><\/pre>\n df[' rolling_max<\/span> '] = df. groupby<\/span> (' group_column<\/span> '). values_column<\/span> . cummax<\/span> ()\n<\/strong><\/pre>\n Beispiel 1: Berechnen Sie das gleitende Maximum<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' day<\/span> ': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],\n ' sales<\/span> ': [4, 6, 5, 8, 14, 13, 13, 12, 9, 8, 19, 14]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n day sales\n0 1 4\n1 2 6\n2 3 5\n3 4 8\n4 5 14\n5 6 13\n6 7 13\n7 8 12\n8 9 9\n9 10 8\n10 11 19\n11 12 14\n<\/strong><\/pre>\n #add column that displays rolling maximum of sales\n<\/span>df[' rolling_max<\/span> '] = df. dirty<\/span> . cummax<\/span> ()\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n day sales rolling_max\n0 1 4 4\n1 2 6 6\n2 3 5 6\n3 4 8 8\n4 5 14 14\n5 6 13 14\n6 7 13 14\n7 8 12 14\n8 9 9 14\n9 10 8 14\n10 11 19 19\n11 12 14 19<\/strong><\/pre>\n Beispiel 2:<\/strong><\/span> Berechnen Sie das gleitende Maximum pro Gruppe<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' store<\/span> ': ['A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B'],\n ' day<\/span> ': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],\n ' sales<\/span> ': [4, 6, 5, 8, 14, 13, 13, 12, 9, 8, 19, 14]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n store day sales\n0 to 1 4\n1 to 2 6\n2 to 3 5\n3 to 4 8\n4 to 5 14\n5 to 6 13\n6 B 7 13\n7 B 8 12\n8 B 9 9\n9 B 10 8\n10 B 11 19\n11 B 12 14\n<\/strong><\/pre>\n #add column that displays rolling maximum of sales grouped by store\n<\/span>df[' rolling_max<\/span> '] = df. groupby<\/span> (' store<\/span> '). dirty<\/span> . cummax<\/span> ()\n\n#view updated DataFrame\n<\/span>print<\/span> (df)\n\n store day sales rolling_max\n0 A 1 4 4\n1 to 2 6 6\n2 to 3 5 6\n3 to 4 8 8\n4 to 5 14 14\n5 to 6 13 14\n6 B 7 13 13\n7 B 8 12 13\n8 B 9 9 13\n9 B 10 8 13\n10 B 11 19 19\n11 B 12 14 19<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So filtern Sie einen Pandas DataFrame nach mehreren Bedingungen<\/a>
So verwenden Sie den \u201eNOT IN\u201c-Filter in Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"